Falcon ASRリリース

Falcon-ASRは、アブダビの技術イノベーション研究所（TII）が開発した16億パラメータの自動音声認識（ASR）モデルです。このモデルはアラビア語に特化しており、特にアラブ首長国連邦（UAE）の方言に重点を置いていますが、英語、フランス語、スペイン語、ポルトガル語もサポートしています。

最先端のアラビア語およびUAE方言性能

Falcon-ASRは、公開および内部のアラビア語ベンチマークにおいて既存のシステムを上回っています。Open Universal Arabic ASR Leaderboardプロトコルに基づく6つのテストセットでの評価において、Falcon-ASRは平均単語誤り率（WER）20.92%を達成し、以前の最高公表結果（23.17%）を2.25ポイント改善しました。

UAE方言に関しては、TIIはCasablancaデータセットからの公開データに加えて、ホールドアウトされた録音データと人間による検証済みトランスクリプトを用いて内部評価を実施しました。その結果、Falcon-ASRは比較対象のシステムの中で最低のWERと文字誤り率（CER）を達成していることが示されています：

UAE WER: 22.73%
UAE CER: 10.19%

この内部評価において、Falcon-ASRのWERは次に優れたモデルであるQwen3-Omniよりも4.07ポイント低くなりました。

多言語対応性と英語ベンチマーク

Falcon-ASRは、言語フラグを必要とせずに、1つのモデル重みセットで5つの異なる言語を音声認識できます。アラビア語に加えて、以下の言語をサポートしています：

英語
フランス語
スペイン語
ポルトガル語

Hugging Face Open ASR Leaderboardから得られた7つの公開英語テストセットでの評価において、Falcon-ASRは平均WER 5.74%を記録しました。

実世界の音声条件への耐性

会議や電話通話などの日常的な状況でも効果的に動作するよう、TIIはFalcon-ASRをさまざまな環境歪みを含む音声データで訓練しました。訓練データには以下のものが含まれています：

背景ノイズと重なり合う会話
音楽と部屋の残響
電話通話特有の効果
話す速度や音程の変化

技術的基盤と特徴

Falcon-ASRはFalcon3-Audioフレームワークに基づいて構築されています。そのアーキテクチャとトレーニング手法については、研究論文『Public Data on Data-Efficient Single-Stage Training with Competitive Audio-Language Models』に詳述されています。

主な機能的特徴は以下の通りです：

単語レベルのタイムスタンプ： モデルは各トランスクリプトされた単語を音声ファイル内の特定の位置にリンクします。
言語非依存性： 同じ重みを使用して、サポートされている言語セットから話されている言語を自動検出し、音声認識を行います。

利用可能状況

Falcon-ASRは現在、Hugging Face Demo Spaceを通じてテスト利用が可能です。TIIは、今後のリリースでAPIアクセスおよびネイティブアプリケーションの提供を計画していると発表しています。